XDocument不会解析html实体(例如&；#xC；)，但XmlDocument会解析

本文关键字：#xC XmlDocument amp 例如 html 实体 XDocument | 更新日期: 2023-09-27 17:57:28

我目前正在将在XmlDocument上运行的旧解析器转换为XDocument。我这样做主要是为了获得Linq查询和添加的行号信息。

我的xml包含这样一个元素：

<?xml version="1.0"?>
<fulltext>
    hello this is a failed textnode
    &#xC;
    and I don't know how to parse it.
</fulltext>

我的问题是，虽然XmlDocument用读取该节点似乎没有问题

var xmlDocument = new XmlDocument();
var physicalPath = GetPhysicalPath(uploadFolderFile);
try
{
    xmlDocument.Load(physicalPath);
}
catch (XmlException xmlException)
{
    _log.Warn("Problems with the document", xmlException);
}

上面的例子很好地解析了文档，但当我尝试这样做时：

XDocument xmlDocument;
var physicalPath = GetPhysicalPath(uploadFolderFile);
var xmlStream = new System.IO.StreamReader(physicalPath);
try
{
   xmlDocument = XDocument.Load(xmlStream, LoadOptions.SetLineInfo | LoadOptions.SetBaseUri);
}
catch (XmlException)
{
   _log.Warn("Trying to clean document for HexaDecimal", xmlException);
}

由于字符&#xC;，无法读取文档在XML 1.1版本中似乎允许使用特殊字符，但更改描述并没有帮助。我曾考虑过使用XmlDocument解析文档，然后进行转换；但这似乎违反了直觉。有人能帮我解决这个问题吗？

XDocument不会解析html实体(例如&；#xC；)，但XmlDocument会解析

好的。。。所以我找到了解决这个问题的办法。

首先，我尝试使用以下代码解析xml：

private XDocument GetXmlDocument(String physicalPath)
    {
        XDocument xmlDocument;
        var xmlStream = new System.IO.StreamReader(physicalPath);
        try
        {
            xmlDocument = XDocument.Load(xmlStream, LoadOptions.SetLineInfo);
        }
        catch (XmlException)
        {
            //_log.Warn("Trying to clean document for HexaDecimal", xmlException);
            xmlDocument = XmlSanitizingStream.TryToCleanXMLBeforeParsing(physicalPath);
        }
        return xmlDocument;
    }

如果它无法加载文档，那么我将尝试使用本文中使用的技术来清理它：http://seattlesoftware.wordpress.com/2008/09/11/hexadecimal-value-0-is-an-invalid-character/

它不会删除我前面提到的字符，但会删除XML标准不允许的任何字符。

然后，在清理XML之后，我添加了一个XMLReader，并将其设置为不检查字符：

public static XDocument TryToCleanXMLBeforeParsing(String physicalPath)
{
    string xml;
    Encoding encoding;
    using (var reader = new XmlSanitizingStream(File.OpenRead(physicalPath)))
    {
        xml = reader.ReadToEnd();
        encoding = reader.CurrentEncoding;
    }
    byte[] encodedString;
    if (encoding.Equals(Encoding.UTF8)) encodedString = Encoding.UTF8.GetBytes(xml);
    else if (encoding.Equals(Encoding.UTF32)) encodedString = Encoding.UTF32.GetBytes(xml);
    else encodedString = Encoding.Unicode.GetBytes(xml);
    var ms = new MemoryStream(encodedString);
    ms.Flush();
    ms.Position = 0;
    var settings = new XmlReaderSettings {CheckCharacters = false};
    XmlReader xmlReader = XmlReader.Create(ms, settings);
    var xmlDocument = XDocument.Load(xmlReader);
    ms.Close();
    return xmlDocument;
}

由于在将忽略字符添加到读取器之前，我已经清除了文档中的非法字符，因此我确信我没有读取格式错误的XML文档。最糟糕的情况是，我得到一个格式错误的XML，它无论如何都会抛出一个错误。

我只使用它进行解析，它应该只用于读取数据。这不会使XML格式良好，而且在许多情况下会在代码的其他地方引发异常。我之所以使用这个，是因为我无法更改客户发送给我们的内容，我必须按原样阅读。

相关文章：